一种基于图谱聚类的大宗运输需求分解方法

1.本发明涉及运输技术领域，具体是指基于图谱聚类的大宗运输需求分解方法。


背景技术：

2.目前，大宗运输在军事领域应用有兵力投送、救援疏散，在民用领域有企业搬迁、移民搬迁等。大宗运输的组织是一项复杂的系统工程，历史上有很多大规模的运输案例，但都是经过长期的准备才能付诸实施。例如，海湾战争中美军在一个月内抽调50多万人的参战部队进入海湾地区，并向前线输送了700多万吨的保障物资，但前期准备也长达半年。
3.近年来，洪涝、地震、疫情等自然灾害，以及周边军事安全挑战对大宗运输组织的时效性、科学性提出了更高要求。大宗运输需求的复杂性不言而喻，而运输需求的原始信息数据分散、非结构化居多，传统基于表格的作业方式难以满足任务要求。随着现代科技的进步，人们更希望在人工智能等技术的支撑下，更灵活更便捷地构建联合运输场景，更好地满足运输需求。
4.在本领域中，目前运输需求分析的应用主要集中在传统物流公司对订单拼单，解决如何拼箱、拼车、拼船等问题，还缺少对大量的人员、装备、物资的整体需求进行关联分析。


技术实现要素：

5.鉴于此，本发明提供一种基于图谱聚类的大宗运输需求分解方法，包括运输对象知识库构建系统、运输需求知识图谱分析系统、模块化分解聚类模块、需求分解信息导出工具。
6.为实现以上发明目的，采用的技术方案是：
7.一种基于图谱聚类的大宗运输需求分解方法，包括以下步骤：
8.s1：运输对象知识库的构建阶段，优选数据源，从结构化、半结构化、非结构化数据中抽取实体、属性及关联关系，采用人机结合的方式进行知识消歧和融合，形成团体组织、运输装备等知识库；
9.s2：构建运输需求知识图谱阶段，首先确定是人装分离、人装混合，是否考虑人员装备物资的各类关联关系，据此从知识库中查询实体，筛选考虑的实体关联属性，形成大宗运输需求知识图谱；
10.s3：图谱聚类分析阶段，然后查看确认各类实体的属性以及关联关系，为各类实体、关联关系赋予不同的优先级权重、关联运输权重；然后调用图谱聚类算法，形成大宗运输的分级需求；
11.s4：分析结果的导出阶段，将前几阶段形成的知识图谱导出，形成报表、文档等规范化格式，展示大宗运输的分级需求；
12.所述步骤s1具体为：通过运输对象知识元数据定义模块、运输对象实体抽取模块、运输对象关系抽取模块、运输对象属性提取模块、运输对象知识融合模块，定义运输对象中
人员、组织、物资、装备、设备等模型相关的数据字典，用于：1)从各类组织编制、人员装备编配文件中提取各类投送实体信息；2)从各类装备手册、设备手册、人员信息表中提取各类实体属性信息；3)从条令文件、流程文件、历史案例中提取实体之间的指挥关系、隶属关系、保障关系、从属关系、任务关联关系、部署关系、运输规避关系等实体关系；4)对提取实体信息的共指实体进行融合消解，对同名实体进行消歧；
13.所述步骤s2具体为：通过运输对象信息查询筛选、运输对象关系筛选、运输需求知识图谱动态展示编辑三个模块，用于：1)按组织机构名称查询组织机构下的实体，按照人员、装备、物资等类型筛选实体，明确人装分离、人装混合等运输需求；2)按照指挥关系、隶属关系、保障关系等实体关系筛选实体关系，明确运输装载、编队需求内在的要求；3)自动布局展示投送需求的复杂网络图谱，支持对图谱中实体和关系的修改编辑；
14.所述步骤s3包括：
15.s31：模块化分解建模：模块划分解建模是将待分解的知识图谱转换成一个无向图，将各运输需求图谱实体转换成图节点，将运输需求图谱关系转换成图连接，将关系等级转换为图的连接权重；这里采用无向图拉普拉斯矩阵，将运输对象模块化分解转换为无向权重图的切图问题，对于任意两个子图点的集合a,定义a,b之间的切图权重为：
[0016][0017]
对于k个子图点的集合：a1,a2,
…ak
，定义切图的直接代价函数为
[0018][0019]
其中为ai的补集，为除ai子集外其他v的子集的并集；
[0020]
s32：将权重转化为边的数量，假设权重单位为1，如果有一条边的权重是2，可以将这条边拆分为两条边，每条权重保持为1，重新构建网络图；
[0021]
所述模块化分解的方法可采用以下3种的其中一种：
[0022]
(1)ratiocut代价描述：
[0023]
ratiocut代价函数为了避免最小切图，对每个切图，不光考虑最小化cut(a1,a2,
…ak
)，它还同时考虑最大化每个子图点的个数
[0024][0025]
其中|ai|为ai中点的个数，除以这个值相当于对切图每个图的cost做了均衡，避免切割过于细，相对于cut函数，切割后的子图内多一些节点；
[0026]
(2)ncut代价描述：
[0027]
ncut代价函数和ratiocut代价函数类似，把ratiocut的分母|ai|换成vol(ai)，
[0028][0029]
其中vol(
·
)定义为
[0030][0031]
vol(ai)即为子图ai所有边的权重的和；
[0032]
(3)模块度的代价描述
[0033]
模块度的概念，首先基于以下定义：假设网络图被划分为a1,a2,
…ak
等k个子图，那么定义一个k
×
k的对称矩阵e，它的元素e
ij
表示子图i和子图j之间边的数量占总边数的百分比，矩阵的迹tr€＝σ
ieii
表示在相同子图内节点之间的边集合，子图划分的好，也就是模块内部节点之间联系紧密，那么该值就越高。考虑到仅通过这一个值还不能完全反映子图划分的结构，因为如果把网络图划分成1个子图，必然出现tr€＝1，与预期不符，因此增加定义一个度量ai＝∑
jeij
表示所有连接到子图i的边的数量，
[0034]
将模块度定义为：
[0035][0036]
将上式展开可以得到
[0037][0038]
其中，‖x‖表示矩阵x的所有元素的和；
[0039]
依据定义可推导得到矩阵计算形式：
[0040][0041][0042]
其中，δ(ci,cj)用于判断节点i和j是否是同一个子图内，在同一子图内，δ(ci,cj)＝1，否则δ(ci,cj)＝0；
[0043]
s33模块化分割最优化问题可理解为在给定r的条件下，求满足定义的矩阵s，使得q最大
[0044][0045]
b矩阵是实对称矩阵，令其特征分解为b＝u∧u
t
，特征值分别为b1,b2,
…bn
，则只需构造s使得u
t
s选择出前r个最大特征值对应的单位特征向量；
[0046]
所述s4需求分解信息导出工具包括需求模块报表生成、需求模块报告生成等模块，用于：1)依据模块化分解结果，提取需求知识图谱信息，生成需求模块报表；2)依据文档模板，生成需求分解报告文档。
[0047]
进一步的，所述s33中，利用经典谱聚类的算法求解出最佳构造方法，其步骤如下；
[0048]
输入：网络图的邻接矩阵b，类别数r；
[0049]
步骤1：计算每个节点的度，建立度矩阵d；
[0050]
步骤2：计算拉普拉斯矩阵b；
[0051]
步骤3：计算拉普拉斯矩阵b的前r个特征向量；
[0052]
步骤4：将前r个特征向量作为列向量组成特征矩阵；
[0053]
步骤5：将特征矩阵的每一行作为数据点，利用kmeans聚类算法，对数据进行聚类；
[0054]
输出：模块划分。
[0055]
采用上述技术方案，具有如下有益效果：
[0056]
本发明能够有效地满足大宗运输需求，根据运输对象的性质，按需求构建图谱并进行需求分解，从而提高后期规划效率，降低问题复杂度，1)能够利用图谱聚类方法有效解决大宗运输任务复杂，耗时长，效率低的问题；2)能借助图谱聚类分解方法，避免运输过程中才暴露筹划组织不合理问题；3)能快速、灵活地对运输需求进行分解；4)快速组合运输需求，具有良好的实用性和成本优势。
附图说明
[0057]
图1为本发明实施例1的应用概念示意图；
[0058]
图2为本发明运输需求知识图谱的构建方法示意图；
[0059]
图3为本发明的算法流程图；
[0060]
图4为本发明分析结果导出过程及报表实例图。
具体实施方式
[0061]
下面结合附图对本发明的技术方案进行进一步的阐述。
[0062]
实施例1：如图1、图2、图3所示，一种基于图谱聚类的大宗运输需求分解方法，包括以下步骤：
[0063]
s1：运输对象知识库的构建阶段，优选数据源，从结构化、半结构化、非结构化数据中抽取实体、属性及关联关系，采用人机结合的方式进行知识消歧和融合，形成团体组织、运输装备等知识库。
[0064]
s2：构建运输需求知识图谱阶段，首先确定是人装分离、人装混合，是否考虑人员装备物资的各类关联关系，据此从知识库中查询实体，筛选考虑的实体关联属性，形成大宗运输需求知识图谱；
[0065]
s3：图谱聚类分析阶段，然后查看确认各类实体的属性以及关联关系，为各类实体、关联关系赋予不同的优先级权重、关联运输权重；然后调用图谱聚类算法，形成大宗运输的分级需求。
[0066]
s4：分析结果的导出阶段，将前几阶段形成的知识图谱导出，形成报表、文档等规范化格式，展示大宗运输的分级需求。
[0067]
更具体的，所属步骤s1具体为：通过运输对象知识元数据定义模块、运输对象实体抽取模块、运输对象关系抽取模块、运输对象属性提取模块、运输对象知识融合模块，定义运输对象中人员、组织、物资、装备、设备等模型相关的数据字典，用于：1)从各类组织编制、人员装备编配文件中提取各类投送实体信息；2)从各类装备手册、设备手册、人员信息表中提取各类实体属性信息；3)从条令文件、流程文件、历史案例中提取实体之间的指挥关系、隶属关系、保障关系、从属关系、任务关联关系、部署关系、运输规避关系等实体关系；4)对提取实体信息的共指实体进行融合消解，对同名实体进行消歧。
[0068]
其中，所述步骤s2具体为：通过运输对象信息查询筛选、运输对象关系筛选、运输
需求知识图谱动态展示编辑三个模块，用于：1)按组织机构名称查询组织机构下的实体，按照人员、装备、物资等类型筛选实体，明确人装分离、人装混合等运输需求；2)按照指挥关系、隶属关系、保障关系等实体关系筛选实体关系，明确运输装载、编队需求内在的要求；3)自动布局展示投送需求的复杂网络图谱，支持对图谱中实体和关系的修改编辑。
[0069]
其中，所述步骤s3包括：
[0070]
s31：模块化分解建模：模块划分解建模是将待分解的知识图谱转换成一个无向图，将各运输需求图谱实体转换成图节点，将运输需求图谱关系转换成图连接，将关系等级转换为图的连接权重；这里采用无向图拉普拉斯矩阵，将运输对象模块化分解转换为无向权重图的切图问题。对于任意两个子图点的集合a,定义a,b之间的切图权重为：
[0071][0072]
对于k个子图点的集合：a1,a2,
…ak
，定义切图的直接代价函数为
[0073][0074]
其中为ai的补集，为除ai子集外其他v的子集的并集。
[0075]
s32将权重转化为边的数量。假设权重单位为1，如果有一条边的权重是2，可以将这条边拆分为两条边，每条权重保持为1，重新构建网络图。
[0076]
在具体实施过程中，模块化分解的方法可采用以下3种：
[0077]
(1)ratiocut代价描述：
[0078]
ratiocut代价函数为了避免最小切图，对每个切图，不光考虑最小化cut(a1,a2,
…ak
)，它还同时考虑最大化每个子图点的个数
[0079][0080]
其中|ai|为ai中点的个数，除以这个值相当于对切图每个图的cost做了均衡，避免切割过于细，相对于cut函数，切割后的子图内多一些节点。
[0081]
(2)ncut代价描述：
[0082]
ncut代价函数和ratiocut代价函数类似，把ratiocut的分母|ai|换成vol(ai)，
[0083][0084]
其中vol(
·
)定义为
[0085][0086]
vol(ai)即为子图ai所有边的权重的和。
[0087]
(3)模块度的代价描述
[0088]
模块度的概念，首先基于以下定义：假设网络图被划分为a1,a2,
…ak
等k个子图，那么定义一个k
×
k的对称矩阵e，它的元素e
ij
表示子图i和子图j之间边的数量占总边数的百
分比。矩阵的迹tr€＝σ
ieii
表示在相同子图内节点之间的边集合。子图划分的好，也就是模块内部节点之间联系紧密，那么该值就越高。考虑到仅通过这一个值还不能完全反映子图划分的结构，因为如果把网络图划分成1个子图，必然出现tr€＝1，与预期不符。因此增加定义一个度量ai＝∑
jeij
表示所有连接到子图i的边的数量。
[0089]
将模块度定义为：
[0090][0091]
将上式展开可以得到
[0092][0093]
其中，‖x‖表示矩阵x的所有元素的和。
[0094]
依据定义可推导得到矩阵计算形式：
[0095][0096][0097]
其中，δ(ci,cj)用于判断节点i和j是否是同一个子图内，在同一子图内，δ(ci,cj)＝1，否则δ(ci,cj)＝0.
[0098]
s33模块化分割最优化问题可理解为在给定r的条件下，求满足定义的矩阵s，使得q最大
[0099][0100]
b矩阵是实对称矩阵，令其特征分解为b＝u∧u
t
，特征值分别为b1,b2,
…bn
，则只需构造s使得u
t
s选择出前r个最大特征值对应的单位特征向量。此时可利用经典谱聚类的算法求解出最佳构造方法，其步骤如下。
[0101]
输入：网络图的邻接矩阵b，类别数r；
[0102]
步骤1：计算每个节点的度，建立度矩阵d；
[0103]
步骤2：计算拉普拉斯矩阵b；
[0104]
步骤3：计算拉普拉斯矩阵b的前r个特征向量；
[0105]
步骤4：将前r个特征向量作为列向量组成特征矩阵；
[0106]
步骤5：将特征矩阵的每一行作为数据点，利用kmeans聚类算法，对数据进行聚类；
[0107]
输出：模块划分；
[0108]
s4需求分解信息导出工具包括需求模块报表生成、需求模块报告生成等模块，用于：1)依据模块化分解结果，提取需求知识图谱信息，生成需求模块报表；2)依据文档模板，生成需求分解报告文档。
[0109]
以上描述了本发明的基本原理和主要特征，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内，发明要求保护范围由所附的权利要求书及其等效物界定。